معظم المشكلات التي يواجهها الناس مع الذكاء الاصطناعي تنبع من عادة واحدة: قراءة الإجابة كأنها القول النهائي. وبضع تغييرات صغيرة تحل معظم هذه المشكلات. كوّن تخمينك الخاص قبل أن تنظر إلى الإجابة، وتعامل مع ما تحصل عليه كمسودة. لا يستغرق أي من هذين وقتًا إضافيًا، ومعًا يجعلان الأداة أكثر أمانًا وفائدة في الوقت نفسه.

كوّن تخمينك الخاص أولًا

قبل أن تقرأ إجابة الذكاء الاصطناعي، خذ لحظة لتسأل نفسك ما تتوقعه. فإذا كنت تسأل عما إذا كانت عيادة معينة تقبل تأمينك الصحي، توقف وفكّر: ما الذي أعتقد أنه صحيح هنا؟ ثم اقرأ الرد وقارنه بتخمينك.

هذه الخطوة الصغيرة تحدث فرقًا كبيرًا. فإذا توافقت الإجابة مع ما توقعته، يمكنك المضي قدمًا بثقة أكبر. وإذا اختلفت عن تخمينك، فهذا الاختلاف إشارة. لا يعني ذلك أنك كنت محقًا وأن الذكاء الاصطناعي كان مخطئًا، أو العكس. بل يعني أن هذه نقطة تستحق التحقق قبل أن تتصرف. وجدت دراسة بحثية عن الأشخاص الذين يتخذون قرارات بمساعدة الذكاء الاصطناعي أن خطوة صغيرة تجعلك تتوقف وتفكر بنفسك أولًا تقلل من فرصة الانسياق وراء إجابة خاطئة لمجرد أنها تبدو واثقة (Buçinca et al., 2021).

تعامل مع الإجابة كمسودة

فكّر في إجابة الذكاء الاصطناعي بالطريقة نفسها التي تفكّر بها في نصيحة جار مطّلع. فجارك قد مرّ بتجربة النظام نفسه، وينوي الخير، وقد يوفر عليك وقتًا حقيقيًا. لكنه أيضًا قد تكون معلوماته قديمة، أو قد يكون محقًا في حالته الخاصة لكنه مخطئ في حالتك. ومع ذلك، أنت لن تمانع في قبول مساعدته وستتأكد من كل أمر مهم قبل أن توقّع نموذجًا أو تفوّت موعدًا نهائيًا.

إجابة الذكاء الاصطناعي تستحق القراءة نفسها. فهي مسودة أولية قوية: نقطة بداية يمكنك تشكيلها والتساؤل بشأنها والتحقق منها. وحين تتعامل معها كمسودة، يتحوّل الخطأ إلى شيء تكتشفه أثناء المراجعة بدلًا من أن تكتشفه بعد أن تصرفت بناءً عليه.

طريقة جيدة للتعامل مع المسودة هي أن تعيد صياغتها بكلماتك الخاصة قبل أن تتصرف بناءً عليها. فتمرير الإجابة عبر فهمك الخاص غالبًا يكشف على الفور عن ثغرة أو افتراض خاطئ. وهناك خطوة بسيطة لذلك بالقرب من نهاية الدليل.

قول “لست متأكدًا” علامة جيدة

قد تتوقع أن أداة مفيدة تبدو دائمًا واثقة. لكن العكس صحيح. فعندما يقول الذكاء الاصطناعي شيئًا مثل “لست متأكدًا” أو “قد يختلف هذا، فيُرجى التأكد”، فهو يمنحك معلومة صادقة عن الموضع الذي تكون إجابته فيه هشة. وجدت دراسة على أشخاص يستخدمون أداة بحث بالذكاء الاصطناعي للإجابة عن أسئلة طبية أن الأداة عندما عبّرت عن عدم تأكدها بكلمات واضحة، اعتمد الناس بشكل أقل على الإجابات الخاطئة وحكموا على الإجابات بدقة أكبر (Kim et al., 2024). عدم التأكد هو خاصية تساعدك، فرحّب بها حين تراها، وكن أكثر حذرًا مع الإجابات التي تبدو واثقة بشأن حقائق دقيقة أو محلية أو متغيرة.

ثقة تسير في الاتجاهين

استخدام الذكاء الاصطناعي بحكمة يعني موازنة ثقتك مع الموقف، وهذا يسير في اتجاهين.

في اتجاه واحد، لا تصدّق كل ما يُقال. فالإجابة السلسة والواثقة قد تكون خاطئة مع ذلك، خصوصًا بشأن أرقام الهواتف والعناوين والتكاليف وقواعد الأهلية. لمعرفة كيفية ومتى تتحقق، انظر الذكاء الاصطناعي يخطئ أحيانًا واستخدام الذكاء الاصطناعي بأمان لصحتك.

وفي الاتجاه الآخر، لا تتجاهل كل ما يُقال أيضًا. فبعض الناس سمعوا أن الذكاء الاصطناعي يخطئ فقرروا أن الأداة كلها غير موثوقة. وهذا يكلّفهم مساعدة حقيقية. في دراسة واحدة، صنّف الناس النصيحة الطبية نفسها بأنها أقل موثوقية وكانوا أقل استعدادًا لاتباعها فقط لأنهم أُخبروا بأنها جاءت من الذكاء الاصطناعي (Reis et al., 2024). فمن أجل معرفة الاتجاهات، وتفسير مصطلح مربك، وصياغة ما ستقوله، والاستعداد لزيارة، الذكاء الاصطناعي مفيد بالفعل. الهدف ليس أن تخافه ولا أن تعتمد عليه اعتمادًا أعمى. الهدف هو أن تستخدمه فيما يبرع فيه وأن تُبقي شخصًا فعليًا في الحلقة فيما يهم. وبقية هذا الدليل تقدّم لك الأدوات العملية: أي الحقائق يجب التحقق منها مرتين، وكيف تتحقق من واحدة منها، وماذا تسأل بعد ذلك، وكيف تعيد صياغة الإجابة.

أي الحقائق هي الأكثر خطورة من حيث الاعتماد عليها

لا تحمل كل الحقائق نفس درجة الخطورة. فالتفسيرات العامة والثابتة هي الأكثر أمانًا. فإذا سألت عن معنى “المشاركة في التكلفة” (copay)، أو عن معنى كلمة “إحالة”، فإجابة الذكاء الاصطناعي تكون في العادة موثوقة، لأن هذا النوع من المعلومات لا يتغير من أسبوع لآخر أو من مدينة لأخرى.

أما الحقائق الأكثر خطورة فهي التي تكون دقيقة ومحلية ومتغيرة. وهذه هي التي يجب التحقق منها مرتين في كل مرة:

• أرقام الهواتف والعناوين. تفاصيل صغيرة يسهل أن تكون فيها أخطاء طفيفة.
• التكاليف والمشاركة في التكلفة (copay). تعتمد هذه على خطتك التأمينية وتتغير كثيرًا.
• ساعات العمل وأوقات الانتظار. جدول عيادة ما لهذا الشهر ليس شيئًا يمكن للذكاء الاصطناعي معرفته.
• من يستوفي شروط الأهلية. قواعد الأهلية مفصّلة ومحلية وتتغير.
• ما إذا كانت عيادة معينة تقبل خطتك التأمينية المعينة. هذا حقيقتان متغيرتان في نفس الوقت، فتحتاج إلى تحقق فعلي.

قاعدة بسيطة يمكن الاعتماد عليها: كل ما ارتبطت الحقيقة بمكان واحد، أو خطة واحدة، أو باللحظة الحالية، زادت حاجتها إلى مكالمة هاتفية. وهنا أيضًا يكمن أكبر ضرر لثقة زائدة بالذكاء الاصطناعي. يسمي الباحثون هذا “تحيّز التشغيل الآلي” (automation bias)، وهو نمط موثّق جيدًا يتمثل في قبول إجابة أداة آلية دون التحقق منها، حتى عندما يكشف تحقق سريع الخطأ؛ ووجدت مراجعة منهجية في مجال الرعاية الصحية أن هذا الانجراف حقيقي وشائع (Goddard et al., 2012). معرفة أي الحقائق تحمل خطورة هي ما يساعدك في تحديد أين تصرف مكالمتك الهاتفية الواحدة.

كيف تتحقق من حقيقة واحدة قبل أن تتصرف

في أغلب الأوقات لا تكون تتحقق من إجابة كاملة، بل تتحقق من الحقيقة الصغيرة الواحدة التي تعتمد عليها خطوتك التالية. وهذه خطوة يمكنك اتباعها في كل مرة:

فيما يلي ثلاثة أمثلة من خطوات حقيقية يتخذها الناس للوصول إلى رعاية الصحة النفسية.

هل تقبل هذه العيادة تأميني الصحي؟ يقول الذكاء الاصطناعي إن عيادة قريبة منك تقبل خطتك التأمينية. هذا دليل مفيد، ومع ذلك قد يكون قديمًا، لأن العيادات تغيّر الخطط التي تقبلها. تعامل معه كمسودة. ثم تأكّد منه بطريقتين: تحقق من موقع العيادة الرسمي بنفسك، واتصل بالعيادة واقرأ لهم اسم الخطة ورقم العضوية من بطاقة تأمينك. اسأل: “هل تقبلون هذه الخطة لمريض جديد؟” الإجابة التي يمكنك التصرف بناءً عليها هي التي تعطيك العيادة إياها على الهاتف.

هل هذا رقم الهاتف الصحيح؟ يعطيك الذكاء الاصطناعي رقم هاتف لعيادة أو خط أزمات. ورقم الهاتف هو بالضبط النوع من الحقائق الصغيرة والدقيقة التي قد يخطئ فيها الذكاء الاصطناعي أو يخلط بينها. قبل أن تحفظه، ابحث عن الرقم نفسه في الموقع الرسمي للعيادة. وإذا لم يتطابق الرقمان، اعتمد على ما في الموقع. رقم واحد لا تحتاج للتحقق منه أبدًا: للوصول إلى خط الدعم للانتحار والأزمات (Suicide and Crisis Lifeline) في الولايات المتحدة، اتصل أو راسل نصيًا الرقم 988.

هل أستوفي شروط هذا البرنامج؟ يقول الذكاء الاصطناعي إن برنامجًا منخفض التكلفة أو ذا رسوم متدرجة (sliding-scale) متاح لك. قواعد الأهلية محلية ومفصّلة وتتغير، فهذه مسودة لا إجابة نهائية. اسأل سؤال متابعة: “ما القواعد الدقيقة لمن يستوفي شروط الأهلية، وماذا يجب أن أجهزه أو أجلبه؟” ثم تأكّد من هذه القواعد مع البرنامج نفسه قبل أن تعلّق آمالك أو تعبّئ استمارة طويلة.

لاحظ النمط في الأمثلة الثلاثة كلها. الذكاء الاصطناعي جيد في توجيهك إلى اتجاه معين. لكن الشخص الفعلي أو الصفحة الرسمية هي ما يجعل الحقيقة أمرًا يمكنك التصرف بناءً عليه بأمان.

أسئلة متابعة جيدة توجّهها للذكاء الاصطناعي

تتحسن إجابة الذكاء الاصطناعي كلما استمررت في السؤال. لا يتوجب عليك قبول الرد الأول. وهذه أسئلة متابعة تصلح لأي سؤال تقريبًا عن الوصول إلى الرعاية:

• “من أين جاءت هذه المعلومة؟ هل توجد صفحة رسمية يمكنني التحقق منها؟”
• “ما درجة تأكدك من هذا، وما الذي قد يجعله خاطئًا؟”
• “متى كان من الممكن أن يتغير هذا؟”
• “ماذا سأحتاج أن أجلبه أو أجهزه؟”
• “ما هو سؤال جيد أوجّهه للعيادة عندما أتصل بها؟”
• “أمكن أن تعيد قول ذلك بكلمات أبسط؟”
• “ما الذي لا أفكر في سؤالك عنه؟”

هذا السؤال الأخير قوي بهدوء. فهو يطلب من الذكاء الاصطناعي أن يسدّ الثغرات في خطتك الخاصة، وهذا من أفضل ما يبرع فيه.

أعد صياغة الإجابة بجملة واحدة

أسرع طريقة لاكتشاف مشكلة هي أن تعيد صياغة الإجابة بكلماتك الخاصة قبل أن تتصرف بناءً عليها. بعد أن يردّ الذكاء الاصطناعي، أكمل هذه الجملة بصوت عالٍ أو في المحادثة:

“إذن ما تقوله لي هو…”

ثم اقرأ نسختك على الذكاء الاصطناعي واسأل: “هل فهمت هذا بشكل صحيح؟” وحينها يحدث أمران جيدان. فإذا أخطأت في فهم الإجابة، تكتشف ذلك الآن بدلًا من اكتشافه عند باب العيادة. وإذا كانت الإجابة نفسها هشة، فإعادة صياغتها بكلمات واضحة غالبًا تُظهر نقطة الضعف. وهذه هي الحركة نفسها التي تستخدمها مع ممرضة أو أخصائي حالة: تكرر ما قيل لك، وتتأكد قبل أن تغادر.

المصادر

• Buçinca, Z., Malaya, M. B., & Gajos, K. Z. (2021). To trust or to think: Cognitive forcing functions can reduce overreliance on AI in AI-assisted decision-making. Proceedings of the ACM on Human-Computer Interaction, 5(CSCW1), Article 188. https://doi.org/10.1145/3449287.
• Goddard, K., Roudsari, A., & Wyatt, J. C. (2012). Automation bias: A systematic review of frequency, effect mediators, and mitigators. Journal of the American Medical Informatics Association, 19(1), 121–127. https://doi.org/10.1136/amiajnl-2011-000089.
• Kim, S. S. Y., Liao, Q. V., Vorvoreanu, M., Ballard, S., & Vaughan, J. W. (2024). “I’m not sure, but…”: Examining the impact of large language models’ uncertainty expression on user reliance and trust. In Proceedings of the 2024 ACM Conference on Fairness, Accountability, and Transparency (FAccT ‘24). Association for Computing Machinery. https://doi.org/10.1145/3630106.3658941.
• Reis, M., Reis, F., & Kunde, W. (2024). Influence of believed AI involvement on the perception of digital medical advice. Nature Medicine, 30(11), 3098–3100. https://doi.org/10.1038/s41591-024-03180-7.

LINC هو نموذج بحثي تجريبي، وليس خدمة طبية أو قانونية. الترجمة قد تكون خاطئة؛ ومن حقك الحصول على مترجم فوري محترف ومؤهل مجانًا. وفي أي أمر ذي أهمية كبيرة، قم به مع عامل صحي مجتمعي أو مع شخص تثق به. وفي حالة الأزمات، اتصل أو راسل نصيًا الرقم 988، أو اتصل بالرقم 911 في حالات الخطر الفوري.